多网络联合识别辐射源个体的优化方法

发布时间：2024-05-27 01:19

　　针对辐射源指纹特征间差异细微且受噪声干扰容易导致识别率下降的问题,提出了一种基于Stacking方法的辐射源个体识别优化算法。该算法集成了多个放缩程度各异的网络的识别结果,能利用不同网络结构在低信噪比条件下提取特征的差异性,从而提升算法整体的特征提取能力。同时为避免分类准确率提高造成模型规模过大,本文使用网络规模小且结构放缩差异较大的EfficientNets系列网络作为基础网络。实验首先在高斯信道条件下验证了基础网络能够有效识别功率放大器杂散噪声,之后利用Stacking等优化算法改进模型整体的性能。结果表明,本方法能够进一步利用提取到的特征之间差异,与其他方法相比对辐射源个体有更高的识别率。

【文章页数】：9 页

【部分图文】：

图1Hammerstein模型

Hammerstein模型是由一个记忆系统和一个非线性系统级联组成,如图1所示。非线性系统使用Taylor级数模型建立,如式(1)所示:

图2算法流程图

辐射源工作过程中产生的指纹特征主要来自于功率放大器产生的杂散噪声[8],由Hammerstein模型建模可知功放产生的杂散噪声中包含有循环平稳信号的特征,所以可以首先利用循环自相关把原始数据构造成二维谱图,分离源信号、指纹特征和噪声;之后利用卷积网络提取二维图像纹理特征并根据提取....

图3无杂散噪声的输入信号

利用循环自相关可以展现功放输出信号中不同分量的周期特性,同时也将不同周期的信号分离,方便提取信号特征。图4携带杂散噪声的输出信号

图4携带杂散噪声的输出信号

图3无杂散噪声的输入信号相同型号的功率放大器的输出信号存在着由于非线性特性导致的细微差别而且其在循环自相关频谱图上存在形状和位置的不一致性,利用深层网络结构可以提取指纹特征并用于识别功放个体。但是,不同结构的卷积网络能够提取的特征有其自身的局限性,尤其是在低信噪比条件下某些细微....

本文编号：3982568